N LEMAH
2.1.1 Deret Waktu Stasioner dan
Nonstasioner
Secara historis, gagasan tentang proses stasioner telah memainkan peran penting dalam analisis seri waktu. Proses deret waktu
stasioner adalah proses yang distribusi probabilitasnya stabil sepanjang waktu dalam pengertian berikut: Jika kita mengambil
kumpulan variabel acak dalam urutan dan kemudian menggesernya urutan ke depan h periode waktu, distribusi probabilitas
bersama harus tetap tidak berubah. Formal definisi mengikuti stasioneritas.
Proses Stochastic Stasioner. Proses stokastik { : t = 1, Definisi ini sedikit abstrak, tetapi artinya cukup sederhana.
2,...} stasioner jika untuk 𝑡 setiap kumpulan indeks waktu 1 Satu implikasi (memilih m = 1 dan = 1) adalah bahwa memiliki
≤ < <...< , distribusi gabungan (, ,..., ) sama dengan distribusi yang sama dengan untuk semua t = 2, 3,.... Di lain
distribusi gabungan dari (, ,..., ) untuk semua bilangan kata, urutan { : t = 1, 2,...} terdistribusi identik. Stasioneritas
Proses Stasioner Kovarians. Proses stokastik {: t = 1, 2,...} dengan Bagaimana stasioneritas digunakan dalam ekonometrik deret
momen detik berhingga E() < ∞] stasioner kovarians jika (i) E() konstan; waktu? Pada tingkat teknis, stasioneritas menyederhanakan
(ii) Var() konstan; dan (iii) untuk setiap t, h ≥ 1, Cov (, ) hanya bergantung pernyataan hukum bilangan besar (LLN) dan CLT, meskipun
pada h dan tidak pada t. kami tidak akan khawatir tentang pernyataan formal dalam bab
ini. Pada tingkat praktis, jika kita ingin memahami hubungan
antara dua atau lebih variabel menggunakan analisis regresi, kita
Stasioneritas kovarians hanya berfokus pada yang pertama dua
perlu mengasumsikan semacam stabilitas dari waktu ke waktu.
momen dari proses stokastik: mean dan varians dari proses adalah
konstan sepanjang waktu, dan kovarians antara dan hanya bergantung
pada jarak antara dua suku, h, dan bukan pada lokasi periode waktu awal,
t. Ini segera mengikuti bahwa korelasi antara dan juga hanya bergantung
pada h.
2.1.2 Deret Waktu Ketergantungan
Lemah
Pengertian ketergantungan lemah paling mudah dibahas untuk deret waktu stasioner:
secara longgar, waktu stasioner proses seri { : t = 1, 2,...} dikatakan ketergantung lemah jika
dan “hampir bebas” ketika h bertambah tanpa terikat. Pernyataan serupa berlaku jika barisan
tidak stasioner, tetapi kita harus berasumsi bahwa konsep menjadi hampir bebas tidak
bergantung pada permulaan titik, t.
Untuk tujuan kita, gagasan intuitif tentang arti ketergantungan yang Mengapa ketergantungan yang lemah penting untuk analisis
lemah sudah cukup. kovarians urutan stasioner dapat dicirikan dalam hal regresi? Pada dasarnya, ini menggantikan asumsi pengambilan sampel
korelasi: deret waktu stasioner kovarians bergantung lemah jika korelasi acak yang menyiratkan bahwa LLN dan CLT berlaku. CLT paling
antara dan dan mendekati nol “cukup cepat” sebagai h →∞. (Karena terkenal untuk data deret waktu memerlukan stasioneritas dan beberapa
stasioneritas kovarians, korelasi tidak bergantung pada titik awal, t.) bentuk ketergantungan yang lemah: dengan demikian, stasioner,
Dengan kata lain, ketika variabel semakin jauh terpisah dalam waktu, dependen deret waktu lemah ideal untuk digunakan dalam analisis
korelasi di antara mereka menjadi lebih kecil dan lebih kecil. regresi berganda.
Contoh paling sederhana dari deret waktu yang kergantungan lemah adalah deret
yang independen dan terdistribusi identik: deret yang independen adalah deret yang
sangat lemah. Contoh yang lebih menarik dari barisan ketergantungan lemah adalah
dimana { : t = 0, 1,...} adalah i.i.d. barisan dengan mean nol dan varians Proses {} disebut
proses rata-rata bergerak orde satu [MA(1)]: adalah rata-rata tertimbang dari dan ; selanjutnya
periode, kami menjatuhkan , dan kemudian bergantung pada dan .
Mengapa proses MA(1) sangat bergantung? Istilah yang berdekatan dalam urutan berkorelasi: karena = +, Cov(, ) = Var () = .
Karena Var() = (1 + ) , Corr(, + 1 ) = /(1 + ). Misalnya, jika = .5, maka Corr(, ) = .4. [Korelasi positif maksimum terjadi ketika =
1, dalam hal ini, Corr(, ) = .5.] Namun, setelah kita melihat variabel dalam urutan yang terpisah dua periode waktu atau lebih, variabel-
variabel ini tidak berkorelasi karena mereka mandiri.
Sekarang, kita dapat menemukan kovarians antara dan untuk ℎ ≥ 1. Karena E() = 0 untuk semua t, kita dapat mengalikan persamaan
Menggunakan substitusi berulang, terakhir ini dengan dan mengambil harapan untuk mendapatkan
Cov(, ). Menggunakan fakta bahwa tidak berkorelasi dengan untuk
semua j memberi
Persamaan (11.4) penting karena menunjukkan bahwa, meskipun dan berkorelasi untuk setiap ℎ ≥ 1,
korelasi ini menjadi sangat kecil untuk h besar: karena || < 1, → 0 sebagai h →∞. Bahkan ketika besar
—katakanlah, 0,9, yang menyiratkan korelasi positif yang sangat tinggi antara suku-suku yang
berdekatan—korelasi antaradan cenderung nol cukup cepat. Misalnya, Corr(, ) = 0.591, Corr(, ) =
0.349, dan Corr(, ) = 0,122.
Sebelum mengakhiri bagian ini, kita harus menekankan satu hal yang sering menyebabkan
kebingungan dalam waktu ekonometrika seri. Serangkaian tren, meskipun tentu saja nonstasioner,
dapat bergantung secara lemah. Di dalam Faktanya, dalam model tren waktu linier sederhana di Bab 10
[lihat persamaan (10.24), deret {} adalah sebenarnya mandiri. Suatu deret yang stasioner terhadap tren
waktunya, serta bergantung lemah, adalah sering disebut proses trend-stasioner.
Bagian
2
SIFAT
ASIMTO
TIK OLS
2.2 Sifat Asimtotik OLS
Di bagian ini, kami menyatakan asumsi dan hasil utama yang membenarkan OLS lebih umum.
Pembuktian teorema dalam bab ini agak sulit dan oleh karena itu dihilangkan.
Persyaratan parameter linier lagi berarti bahwa kita dapat menulis model sebagai
Kami telah menyertakan stasioneritas dalam Asumsi TS.1’ untuk Ini adalah asumsi yang paling alami mengenai hubungan antara
kenyamanan dalam menyatakan dan menafsirkan asumsi. Jika kami dan variabel penjelas. Ini jauh lebih lemah dari Asumsi TS.3
bekerja dengan hati-hati melalui sifat asimtotik OLS, seperti yang karena tidak membatasi bagaimana berhubungan dengan variabel
kami lakukan di Lampiran E, stasioneritas juga akan penjelas dalam periode waktu lain. Untuk tujuan tertentu, perlu
menyederhanakan derivasi tersebut. Tetapi stasioneritas sama sekali diketahui bahwa hasil konsistensi berikut hanya memerlukan ke
tidak penting untuk OLS memiliki sifat asimtotik standarnya. memiliki mean tanpa syarat nol dan tidak berkorelasi dengan
setiap :
Ada beberapa perbedaan praktis utama antara Teorema 10.1 dan 11.1.
Pertama, dalam Teorema 11.1, kami menyimpulkan bahwa penduga OLS
konsisten, tetapi tidak harus tidak bias. Kedua, dalam Teorema 11.1, kami
telah melemahkan pengertian di mana variabel penjelas harus eksogen, tetapi
ketergantungan yang lemah diperlukan dalam rangkaian waktu yang
mendasarinya.
Dalam TS.4’, perhatikan bagaimana kita mengkondisikan hanya pada Yang penting, Asumsi TS.5’ tidak berlaku dalam model AR(1) yang
variabel penjelas pada waktu t (bandingkan dengan TS.4). Di dalam dinyatakan dalam persamaan (11.12) dan (11.13). Karena variabel
TS.5’, kami hanya mengkondisikan variabel penjelas dalam periode penjelas pada waktu t adalah , kita harus menunjukkan bahwa
waktu yang bertepatan dengan 𝑢t dan kami. Seperti yang dinyatakan, E(। , , ,...) untuk semua t ≠ s. Untuk melihat ini, anggaplah s < t. (NS
asumsi ini agak sulit untuk ditafsirkan, tetapi ini adalah kondisi yang kasus lain mengikuti simetri.) Kemudian, karena kami = , kami
tepat untuk mempelajari sifat sampel besar OLS dalam berbagai adalah fungsi dari y tanggal sebelumnya waktu t.
dapat membandingkan ini dengan kasus AR(1) yang stabil, tetap korelasinya cenderung nol seperti h → ∞, hal itu tidak
di mana argumen serupa dapat digunakan untuk terjadi dengan sangat cepat.
menunjukkan bahwa:
E(yt)=0.
Sering terjadi bahwa seri yang sangat gigih juga
mengandung tren yang jelas. Salah satu model yang
mengarah pada perilaku ini adalah random walk with
drift:
berulang: dari proses akar unit, karena ini adalah kasus khusus = 1
dalam model AR(1) dengan intersep:
s i pa d a D e r e t W ak tu
Transform a
n g S a ng a t P e r s i s t e n
ya
Konsep proses I(1) paling mudah dilihat untuk random walk. Dengan {yt} dihasilkan seperti pada
(11.20) untuk t = 1, 2, ...,
oleh karena itu, deret beda pertama {Δyt : t 5 2, 3, ...} sebenarnya adalah i.i.d. urutan. Lebih umum, jika
{yt} dihasilkan oleh (11.24) di mana {et} adalah proses yang bergantung lemah, maka {Δyt} sangat
tergantung ent.
Banyak deret waktu yt yang benar-benar positif adalah sedemikian rupa sehingga log(yt) terintegrasi
dari orde satu. Di dalam kasus, kita dapat menggunakan perbedaan pertama dalam log, Δlog(yt) =
log(yt-1) atau gyt = (yt – yt-1)/yt-1. Seringkali jumlah ini dikalikan dengan 100 untuk mengubah perubahan proporsional
menjadi perubahan persentase.
Membedakan deret waktu sebelum menggunakannya dalam analisis regresi memiliki manfaat lain: menghilangkan
setiap tren waktu linier. Ini mudah dilihat dengan menulis variabel berarah linier sebagai
yt = γ0 + γ1t + vt,
dimana vt memiliki rata-rata nol. Kemudian, Δyt = γ1 + Δvt, dan E(Δyt) = γ1 + E(Δvt) = γ1.
MEMU T U S K A N
APAKAH D E R ET
T U A D A L A H I (1 )
WA K
Ada metode informal yang memberikan panduan berguna tentang
apakah proses deret waktu itu secara kasar ditandai dengan
ketergantungan yang lemah. Alat yang sangat sederhana dimotivasi oleh
model AR(1): jika |ρ1| < 1, maka prosesnya adalah I(0), tetap adalah I(1)
jika ρ1 = 1. Sebelumnya, kami menunjukkan bahwa, ketika proses AR(1)
stabil, ρ1 = Corr(yt, yt-1).
Kami akan menunjukkan cara menguji H0: ρ1 = 1 terhadap H1 : ρ1 < 1.
Untuk saat ini, kami hanya dapat menggunakan sebagai panduan kasar
untuk menentukan apakah suatu deret perlu dibeda-bedakan.
bagian 4
MODEL YANG
LENGKAP SECARA
DINAMIS DAN TIDAK
ADA KORELASI SERIAL
Model yang
lengkap secara
dinamis dan tidak
ada korelasi serial Kita bisa membuat model regresi lainnya, meskipun asumsi
yang diperlukan agar kesalahan tidak berkorelasi secara serial
mungkin tidak masuk akal. Pertimbangkan, untuk contoh, model
regresi statis sederhana
yt = β0 + β1zt + ut [11.30]
di mana yt dan zt diberi tanggal secara bersamaan.
Untuk memahami arti dari (11,31), kita dapat menulis
Untuk konsistensi OLS, kita hanya perlu E(ut |zt ) = 0.
(11,30) dan (11,31) secara ekuivalen sebagai
Umumnya, {ut} akan dikorelasikan secara serial. Namun,
E(yt |zt, yt-1, zt-1, …) = E(yt |zt ) = β0 + β1zt, [11.32]
jika kita berasumsi bahwa
di mana kesetaraan pertama adalah yang menarik saat ini.
E(ut |zt, yt-1, zt-1, ...) = 0, [11.31]
Dikatakan bahwa, sekali zt telah dikendalikan untuk, tidak
kemudian (seperti yang akan kami tunjukkan secara umum
kelambatan baik y atau z membantu menjelaskan arus y. Ini
nanti) Asumsi TS.5’ berlaku. Secara khusus, {ut} berurutan
adalah persyaratan yang kuat dan tidak masuk akal
tidak berkorelasi. Secara alami, asumsi (11.31) menyiratkan
, [11.41]
.
Jika kita memiliki model.
,
Sehingga varians dari tidak dapat bergantung pada , atau
(atau fungsi waktu lainnya). Umumnya, variabel penjelas
apapun yang muncul dalam model, kita harus
mengasumsikan bahwa varians dari diberikan variabel
penjelas ini konstan. Jika model mengancungang variabel
yang tertinggal atau variabel penjelas yang tertinggal, maka
kita secara eksplisit mengesampingkan bentuk dinamis dari
Terima
Kasih!
Sampai jumpa pada pertemuan
berikutnya